Hauptraum

In an era where systems are increasingly complex and the pace of innovation continues to accelerate, enterprises must improve how analytical and digital engineering models are developed, validated, and delivered. Traditional, fragmented toolchains manual and model review processes slow progress, introduce risk, and increase costs — making it difficult to compete in today’s fast-moving engineering landscape.

This workshop introduces qAnalytics, a next-generation analytics platform that helps organizations deliver models faster, with higher quality and less effort, while embracing modern engineering practices that drive business value. By embedding continuous integration (CI) principles into model development and lifecycle workflows, qAnalytics enables early issue detection through automated quality checks and real-time change visibility—reducing rework and accelerating time to key milestones. Continuous integration is rapidly emerging as a foundational practice for model-based engineering, extending the CI/CD mindset from software to systems engineering to enable continuous verification, alignment, and execution across disciplines and lifecycle stages.

With qAnalytics, organizations can improve model creation with a predictable, measurable, and automated pipeline shortening iteration cycles, and improving collaboration across teams. Attendees will learn how qAnalytics not only improves operational efficiency and model reliability, but also on how qAnalytics helps organizations reduce time-to-milestone and lower development costs — turning models into high-value business assets.

Mit der zunehmenden Komplexität technischer Systeme und dem wachsenden Einsatz Künstlicher Intelligenz rückt die Frage nach tragfähiger Semantik erneut in den Mittelpunkt. Aktuelle KI-Systeme zeigen eindrücklich, dass Modelle ohne explizite Wirklichkeitsannahmen zu Inkonsistenzen und Halluzinationen neigen. Entsprechend gewinnen Ontologien im Kontext vertrauenswürdiger und erklärbarer KI wieder deutlich an Bedeutung.

Im Model-Based Systems Engineering stellt SysML eine leistungsfähige formale Syntax zur Beschreibung von Systemstrukturen und -verhalten bereit, über die Semantik ausgedrückt werden kann deren Vollständigkeit, Eindeutigkeit und formale Prüfbarkeit jedoch begrenzt ist. Die Diskussionsrunde greift diese Entwicklung auf und stellt die Frage, ob die in der KI beobachtete Notwendigkeit expliziter Ontologien auch für das MBSE relevant ist.

Diskutiert wird, ob implizite Semantik in Modellen ausreicht, um komplexe Systeme zu beherrschen, oder ob explizite Ontologien notwendig werden, um Bedeutungen, Annahmen und Randbedingungen konsistent und realitätsnah zu erfassen. Dabei wird beleuchtet, ob SysML und Ontologien als konkurrierende Ansätze zu verstehen sind – oder ob sie sich komplementär ergänzen, um komplexe Systeme, Digital Twins und KI-gestützte Engineering-Prozesse robust und nachvollziehbar zu modellieren.

tbd